一种基于浮标端本地识别的海洋现象观测方法及系统技术方案

本发明专利技术属于海洋现象观测技术领域，提供了一种基于浮标端本地识别的海洋现象观测方法及系统，使用人工智能算法预测关键海洋现象，并将人工智能算法通过边缘计算技术集成到浮标端，实现了浮标端自主预测关键海洋现象方法；同时，在没有出现内波和台风中一种或两种信号前，采用数量较少的传感器在频率较低的第一采样频率下进行采样，以非加密观测的方式节约能耗，而在出现内波和台风中一种或两种信号后，采用数量较多的传感器在频率较高的第二采样频率下进行采样，以加密观测的方式实现对采样信息的准确等级划分，通过非加密观测和加密观测配合的工作的方式，在保证观测质量的基础上，降低了能耗

【技术实现步骤摘要】
一种基于浮标端本地识别的海洋现象观测方法及系统


[0001]本专利技术属于海洋现象观测
，尤其涉及一种基于浮标端本地识别的海洋现象观测方法及系统
。

技术介绍

[0002]目前，基于浮标端海洋现象观测方法主要分为两类，一类是使用卫星将传感器数据传输到本地基站然后进行观测，另一类是浮标端本地识别方法，比较常用的方法是阈值法
。
[0003]专利技术人发现，本地基站预测方法因为需要将浮标数据通过卫星发送到本地，所需时间比较长
、
延时较高；并且，基于浮标端进行海洋现象中内波和台风的观测时，处在海洋中的浮标端存储电能和获取电能的能力有限，且获取电能的能力受海洋环境的影响较大，而为了保证观测的实时性和准确性等，浮标端上的设备需要不停的进行高频采样，在长时间高频采样过程中，设备对电能的损耗较快，处在海洋中浮标端的存储电能和获取电能的能力不能满足长时间高频采样下对电能的需求，如果不能及时进行电能补充，则会导致电能不足的问题，影响浮标端上设备的正常工作和寿命，影响正常观测
。

技术实现思路

[0004]本专利技术为了解决上述问题，提出了一种基于浮标端本地识别的海洋现象观测方法及系统，本专利技术使用人工智能算法预测关键海洋现象，并将人工智能算法通过边缘计算技术集成到浮标端，实现了浮标端自主预测关键海洋现象方法；同时，在没有出现内波或台风信号前，对应的，采用数量较少的传感器在频率较低的第一采样频率下进行采样，以非加密观测的方式节约能耗，而在出现内波或台风信号后，对应的，采用数量较多的传感器在频率较高的第二采样频率下进行采样，以加密观测的方式实现对采样信息的准确等级划分，通过非加密观测和加密观测配合的工作的方式，在保证观测质量的基础上，降低了能耗，解决了处在海洋中浮标端的存储电能和获取电能的能力不能满足长时间高频采样下对电能的需求问题
。
[0005]为了实现上述目的，本专利技术是通过如下的技术方案来实现：第一方面，本专利技术提供了一种基于浮标端本地识别的海洋现象观测方法，包括：获取海洋大气风速历史信息
、
雨量历史信息
、
气压历史信息和水下温度剖面数据历史信息；利用获取的大气风速历史信息
、
雨量历史信息
、
气压历史信息和水下温度剖面数据历史信息，以及预设的基于人工智能算法的预测模型，得到大气风速
、
雨量
、
气压和水下温度剖面数据的预测结果；使用边缘计算技术将基于人工智能算法的预测模型移植到浮标端；根据大气风速
、
雨量
、
气压和水下温度的预测结果，以及预设的神经网络识别模型，得到海洋现象观测结果
。
[0006]进一步的，基于人工智能算法的预测模型为长短期记忆递归神经网络；使用边缘计算技术将基于人工智能算法的预测模型移植到浮标端包括：首先，根据数据传输的需求，在计算单元的基础上扩展用于接收传感器数据
、
发送预测和发送识别结果的端口；其次，将预测模型转为方便边缘端移植的开放神经网络交换架构；最后，将开放神经网络交换架构的预测模型移植到扩展后的计算单元中
。
[0007]进一步的，控制浮标端以第一数量的传感器在第一采样频率下进行采样，得到采样信息；判断采样信息是否出现内波或台风，如果是，则控制浮标端以第二数量的传感器在第二采样频率下进行采样，否则继续以第一数量的传感器在第一采样频率下进行采样；其中，第二数量大于第一数量，第二采样频率高于第一采样频率；对在第二采样频率下采样得到的采样信息进行等级划分
。
[0008]进一步的，以第二数量的传感器在第二采样频率下进行采样的时间达到预设时间后，控制浮标端以第一数量的传感器在第一采样频率下进行采样
。
[0009]进一步的，判断采样信息是否出现内波或台风，以及对在第二采样频率下采样得到的采样信息进行等级划分，都采用预设的神经网络识别模型实现；使用大气风速历史信息
、
雨量历史信息和气压历史信息，对卷积神经网络进行训练；根据传感器获取的大气风速
、
雨量和气压，以及训练好的卷积神经网络预测是否存在台风；同时，使用水下温度剖面数据历史信息对卷积神经网络进行预测；根据传感器获取的水下温度剖面数据，以及训练好的卷积神经网络预测是否存在内波
。
[0010]进一步的，在观测区域的不同深度位置处，设置多个传感器；控制不同深度的多个传感器交替的在第二采样频率下进行采样
。
[0011]进一步的，在观测区域的不同深度位置处，设置多个温度传感器
。
[0012]第二方面，本专利技术还提供了一种基于浮标端本地识别的海洋现象观测系统，包括：数据采集模块，被配置为：获取海洋大气风速历史信息
、
雨量历史信息
、
气压历史信息和水下温度剖面数据历史信息；人工智能算法预测模块，被配置为：利用获取的大气风速历史信息
、
雨量历史信息
、
气压历史信息和水下温度剖面数据历史信息，以及预设的基于人工智能算法的预测模型，得到大气风速
、
雨量
、
气压和水下温度剖面数据的预测结果；使用边缘计算技术将基于人工智能算法的预测模型移植到浮标端；识别模块，被配置为：根据大气风速
、
雨量
、
气压和水下温度的预测结果，以及预设的神经网络识别模型，得到海洋现象观测结果
。
[0013]第三方面，本专利技术还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现了第一方面所述的基于浮标端本地识别的海洋现象观测方法的步骤
。
[0014]第四方面，本专利技术还提供了一种电子设备，包括存储器
、
处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现了第一方面所述的基于浮标端本地识别的海洋现象观测方法的步骤
。
[0015]与现有技术相比，本专利技术的有益效果为：
1、
本专利技术使用人工智能算法预测关键海洋现象，并将人工智能算法通过边缘计算技术集成到浮标端，实现了浮标端自主预测关键海洋现象方法，解决了需要将浮标数据通过卫星发送到本地造成的时间较长
、
延时较高问题；
2、
本专利技术控制浮标端以第一数量的传感器在第一采样频率下进行采样，得到采样信息；判断采样信息是否出现内波或台风，如果是，则控制浮标端以第二数量的传感器在第二采样频率下进行采样，否则继续以第一数量的传感器在第一采样频率下进行采样；在没有出现内波或台风信号前，采用数量较少的传感器在频率较低的第一采样频率下进行采样，以非加密观测的方式节约能耗，而在出现内波或台风信号后，采用数量较多的传感器在频率较高的第二采样频率下进行采样，以加密观测的方式实现对采样信息的准确等级划分，通过非加密观测和加密观测配合的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于浮标端本地识别的海洋现象观测方法，其特征在于，包括：获取海洋大气风速历史信息
、
雨量历史信息
、
气压历史信息和水下温度剖面数据历史信息；利用获取的大气风速历史信息
、
雨量历史信息
、
气压历史信息和水下温度剖面数据历史信息，以及预设的基于人工智能算法的预测模型，得到大气风速
、
雨量
、
气压和水下温度剖面数据的预测结果；使用边缘计算技术将基于人工智能算法的预测模型移植到浮标端；根据大气风速
、
雨量
、
气压和水下温度的预测结果，以及预设的神经网络识别模型，得到海洋现象观测结果
。2.
如权利要求1所述的一种基于浮标端本地识别的海洋现象观测方法，其特征在于，基于人工智能算法的预测模型为长短期记忆递归神经网络；使用边缘计算技术将基于人工智能算法的预测模型移植到浮标端包括：首先，根据数据传输的需求，在计算单元的基础上扩展用于接收传感器数据
、
发送预测和发送识别结果的端口；其次，将预测模型转为方便边缘端移植的开放神经网络交换架构；最后，将开放神经网络交换架构的预测模型移植到扩展后的计算单元中
。3.
如权利要求1所述的一种基于浮标端本地识别的海洋现象观测方法，其特征在于，控制浮标端以第一数量的传感器在第一采样频率下进行采样，得到采样信息；判断采样信息是否出现内波或台风，如果是，则控制浮标端以第二数量的传感器在第二采样频率下进行采样，否则继续以第一数量的传感器在第一采样频率下进行采样；其中，第二数量大于第一数量，第二采样频率高于第一采样频率；对在第二采样频率下采样得到的采样信息进行等级划分
。4.
如权利要求3所述的一种基于浮标端本地识别的海洋现象观测方法，其特征在于，以第二数量的传感器在第二采样频率下进行采样的时间达到预设时间后，控制浮标端以第一数量的传感器在第一采样频率下进行采样
。5.
如权利要求3所述的一种基于浮标端本地识别的海洋现象观测方法，其特征在于，判断采样信息是否出现内波或台风，以及对在第二采样频率下采样得到的采样信息进行等级划分，都...

【专利技术属性】
技术研发人员：宁春林，李超，袁国正，刘志豪，王肖闯，苏清磊，李安山，
申请(专利权)人：自然资源部第一海洋研究所，
类型：发明
国别省市：